| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 电力系统负荷预测的作用、分类和意义 | 第10-13页 |
| 1.2 国内外短期电力负荷预测的研究情况 | 第13-18页 |
| 1.2.1 传统的电力负荷预测方法 | 第14-15页 |
| 1.2.2 智能的电力负荷预测方法 | 第15-17页 |
| 1.2.3 组合的电力负荷预测方法 | 第17-18页 |
| 1.3 本课题的主要工作及论文结构 | 第18-20页 |
| 1.3.1 本课题所做的主要工作 | 第19页 |
| 1.3.2 本论文结构 | 第19-20页 |
| 第二章 理论基础 | 第20-33页 |
| 2.1 机器学习简介 | 第20-21页 |
| 2.2 统计学习简介 | 第21-23页 |
| 2.2.1 VC维 | 第21-22页 |
| 2.2.2 推广性的界 | 第22-23页 |
| 2.3 支持向量机简介 | 第23-28页 |
| 2.3.1 准备知识 | 第23-26页 |
| 2.3.2 支持向量机原理 | 第26-28页 |
| 2.4 支持向量回归机简介 | 第28-30页 |
| 2.4.1 线性回归的情况 | 第29页 |
| 2.4.2 非线性回归的情况 | 第29-30页 |
| 2.5 最小二乘支持向量机简介 | 第30-32页 |
| 2.5.1 最小二乘支持向量机 | 第30-31页 |
| 2.5.2 核函数的选取 | 第31页 |
| 2.5.3 模型参数的选取 | 第31-32页 |
| 2.6 本章小结 | 第32-33页 |
| 第三章 短期电力负荷预测样本的预处理 | 第33-40页 |
| 3.1 短期电力负荷预测的特点 | 第33-34页 |
| 3.2 样本的特征选择 | 第34-37页 |
| 3.3 训练和测试样本的确定 | 第37页 |
| 3.4 负荷数据的归一化处理 | 第37-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 基于支持向量机的短期电力负荷预测 | 第40-45页 |
| 4.1 回归预测模型的构造 | 第40-42页 |
| 4.1.1 选择核函数 | 第40页 |
| 4.1.2 参数的影响及选取 | 第40-42页 |
| 4.2 支持向量机回归算法的设计 | 第42-44页 |
| 4.3 本章小结 | 第44-45页 |
| 第五章 基于迭代自组织数据算法的电力系统短期负荷预测 | 第45-53页 |
| 5.1 迭代自组织数据分析算法简介 | 第45-46页 |
| 5.1.1 聚类分析理论简介 | 第45-46页 |
| 5.1.2 迭代自组织数据分析算法简介 | 第46页 |
| 5.2 迭代自组织数据分析算法应用于负荷数据分类的研究 | 第46-48页 |
| 5.2.1 运用迭代自组织数据分析算法对负荷数据进行分类 | 第46-47页 |
| 5.2.2 分类数C对负荷数据分类的影响 | 第47-48页 |
| 5.3 基于迭代自组织数据分析算法和支持向量机的综合负荷预测模型 | 第48-52页 |
| 5.4 本章小结 | 第52-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 致谢 | 第57-58页 |
| 附件 | 第58页 |
